`skfolio.optimization` .逆波动率#

class skfolio.optimization.InverseVolatility(prior_estimator=None, portfolio_params=None)[来源]#

逆波动率估计器。

每个资产的权重是通过其波动率的倒数计算得出的，并重新调整以使权重之和等于一。资产的波动率是从先前估计器的协方差矩阵中得出的。

Parameters:

prior_estimatorBasePrior, optional: 先验估计器. 先验估计器用于估计PriorModel 包含资产预期收益、协方差矩阵、收益和协方差的Cholesky分解的估计。默认值(None)是使用EmpiricalPrior。
portfolio_paramsdict, optional: 传递给通过 predict 和 score 方法评估的投资组合的投资组合参数。如果未提供，name、transaction_costs、management_fees、previous_weights 和 risk_free_rate 将从优化模型中复制并传递给投资组合。

Attributes:

weights_ndarray of shape (n_assets,) or (n_optimizations, n_assets): 资产的权重。
prior_estimator_BasePrior: 调整过的 prior_estimator.

方法

`fit`(X[, y])	拟合反向波动率估计器。
`fit_predict`(X)	对 `X` 执行 `fit` 操作，并返回基于拟合的 `weights` 的 `Portfolio` 或 `Population` 的预测结果。
`get_metadata_routing`()	获取此对象的元数据路由。
`get_params`([deep])	获取此估计器的参数。
`predict`(X)	根据拟合的权重预测`Portfolio`或`Population`在`X`上的`Portfolio`。
`score`(X[, y])	预测分数。
`set_params`(**params)	设置此估计器的参数。

fit(X, y=None, **fit_params)[来源]#

拟合逆波动性估计器。

Parameters:

Xarray-like of shape (n_observations, n_assets): 资产的价格收益。
yarray-like of shape (n_observations, n_targets), optional: 因子或目标基准的价格回报。默认值是 None。
**fit_paramsdict: 传递给基础估计器的参数。只有在 enable_metadata_routing=True 的情况下可用，您可以通过使用 sklearn.set_config(enable_metadata_routing=True) 来设置。详情请参见元数据路由用户指南。

Returns:

selfInverseVolatility: 拟合的估计器。

fit_predict(X)#

对X执行fit并根据拟合的weights返回预测的Portfolio或Population的Portfolio在X上的值。对于因子模型，分别使用fit(X, y)然后predict(X)。

Parameters:

Xarray-like of shape (n_observations, n_assets): 资产的价格收益。

Returns:

predictionPortfolio | Population: 基于拟合的 weights 估计的 Portfolio 或 Population 的 Portfolio 在 X 上。

get_metadata_routing()[来源]#

获取这个对象的元数据路由。

请查看用户指南了解路由机制是如何工作的。

Returns:

routingMetadataRequest: 一个 MetadataRequest 封装路由信息。

get_params(deep=True)#

获取此估计器的参数。

Parameters:

deepbool, default=True: 如果为真，将返回此估计器及其包含的子对象的参数，这些子对象也是估计器。

Returns:

paramsdict: 参数名称映射到它们的值。

predict(X)#

根据拟合的权重预测Portfolio或Population在X上的Portfolio。

优化估计器可以返回一个一维或二维数组的 weights。对于一维数组，预测返回一个 Portfolio。对于二维数组，预测返回一个 Population 的 Portfolio。

如果 name 在投资组合参数中没有提供，我们将使用估计器名称的前 500 个字符。

Parameters:

Xarray-like of shape (n_observations, n_assets): 资产的价格收益。

Returns:

predictionPortfolio | Population: 基于拟合的 weights 估计的 Portfolio 或 Population 的 Portfolio 在 X 上。

score(X, y=None)#

预测分数。如果预测是单个 Portfolio，则分数是夏普比率。如果预测是一组 Population 的 Portfolio，则分数是该组中所有投资组合夏普比率的平均值。

Parameters:

Xarray-like of shape (n_observations, n_assets): 资产的价格收益。
yIgnored: 未使用，仅为了遵循API一致性而存在。

Returns:

scorefloat: 如果预测是单个 Portfolio，则投资组合的夏普比率为；如果预测是 Portfolio 的 Population 的所有投资组合夏普比率的平均值。

set_params(**params)#

设置该估计器的参数。

该方法适用于简单估计器以及嵌套对象（如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，因此可以更新嵌套对象的每个组件。

Parameters:

**paramsdict: 估计器参数。

Returns:

selfestimator instance: 估计器实例。

skfolio.optimization .逆波动率#

`skfolio.optimization` .逆波动率#